Ep 18 — Fundamentos del procesamiento de espectros: corrección de línea base, suavizado, normalización

Serie: Enciclopedia de espectroscopia infrarroja: desde los principios hasta la práctica
Parte: Segunda parte · Nivel principiante — Entrando al laboratorio
Audiencia: Estudiantes de secundaria/universidad, estudiantes de posgrado, técnicos de laboratorio principiantes
Conocimientos previos: Ep 16 (Preparación de muestras), Ep 17 (Operación del instrumento)
Tiempo de lectura: Aproximadamente 38 minutos

Introducción: Reflexiones sobre un espectro "feo"

La pasante Xiaogang acababa de realizar su primer espectro de pastilla de KBr. Emocionada, imprimió el espectro y se lo entregó a su supervisor. El supervisor frunció el ceño: "Este espectro — línea base inclinada 0.5, mucho ruido, y un hombro obvio... ¿cómo se va a usar?"

Xiaogang se quejó: "¡Pero el instrumento acaba de encenderse, también se tomó el fondo, y la preparación de la muestra siguió el procedimiento...!"

El supervisor suspiró: "El espectro 'crudo' que produce el instrumento nunca es el espectro 'final'. El espectro crudo es como una piedra en bruto, necesita ser 'pulido' para mostrar su verdadera belleza — pero un pulido excesivo puede arruinar la piedra original."

Este es el "Procesamiento Espectral (Spectral Processing)" en infrarrojo — el paso crítico entre los datos crudos y el análisis final. Cuando se procesa bien, el espectro es claro, legible y se puede usar para análisis cualitativo y cuantitativo; cuando se procesa mal, no solo los datos no son utilizables, sino que también se pueden introducir "picos falsos" que lleven a conclusiones erróneas [1][2].

Los objetivos centrales del procesamiento espectral se pueden resumir en cuatro palabras: eliminar ruido, eliminar forma, normalizar, identificar picos [1][2][3]:

• Eliminar ruido: Suavizado/filtrado, mejorar SNR
• Eliminar forma: Corrección de línea base, eliminar desviaciones por dispersión y absorción
• Normalizar: Normalización, hacer que los espectros sean comparables
• Identificar picos: Derivación, resolver picos superpuestos

Pero cada procesamiento tiene un costo — un procesamiento excesivo puede distorsionar el espectro e incluso crear 'picos falsos' que no existen [1][2]. Este episodio explicará sistemáticamente los principios, selección de parámetros, escenarios de aplicación y riesgos de los cuatro tipos principales de métodos de procesamiento, para que domines el arte de procesar "justo lo necesario".

💡 Enfoque de este episodio: Ep 17 te enseña a obtener el espectro, este episodio te enseña "a hacer que el espectro se vea bien y sea utilizable". Ep 19 y Ep 20 se basan en el espectro procesado para hacer análisis cualitativo y cuantitativo.

1. ¿Por qué es necesario el procesamiento espectral?

Idealmente, el espectro FTIR debería tener picos acampanados limpios y una línea base plana. Pero la realidad nunca es ideal; los espectros crudos generalmente tienen los siguientes problemas [1][2][3]:

1.1 Inclinación y curvatura de la línea base

Causas [1][3][4]:

• Dispersión de la muestra: Partículas, pastilla no uniforme causan dispersión Rayleigh/Mie
• Absorción de humedad en KBr: Los picos de agua fantasma a 3400, 1640 bajan la línea base general
• Interferencia de CO₂: El doblete a 2350 no se elimina completamente
• Deriva del instrumento: Cambios de temperatura en la fuente, detector
• Residuos de muestra: Celda líquida, cristal ATR con residuos

Manifestación típica [1][3]:

Absorbancia
   ↑
1.5│   ▓▓                 ▓▓▓▓▓ ▓▓   ← Línea base alta en números de onda altos
1.0│   ▓▓▓               ▓▓▓▓▓▓▓    
0.5│   ▓▓▓▓▓▓▓▓▓      ▓▓▓▓▓▓▓▓▓▓▓  
0.0│────────────────────────────→ ν
   4000  3000  2000  1000  500
            ←─────inclinado─────

Figura 1: Espectro típico con línea base inclinada (línea base alta a la izquierda, baja a la derecha o viceversa)

1.2 Ruido alto

Causas [1][2][3]:

• Número insuficiente de escaneos (SNR pobre)
• Ruido del detector (calentamiento de MCT, envejecimiento de DTGS)
• Fuente inestable
• Alta resolución (señal débil)

Manifestación típica [1][3]: Oscilaciones de alta frecuencia en el espectro, picos débiles ahogados por el ruido

1.3 Intensidades no comparables

Causas [1][3]:

• Diferente cantidad de muestra en diferentes preparaciones (cantidad de muestra en pastilla de KBr, presión de contacto en ATR)
• Diferente camino óptico en diferentes celdas líquidas
• Diferentes instrumentos, diferentes condiciones
• Mediciones en diferentes momentos

Manifestación típica [1][3]: La misma muestra medida dos veces, la intensidad general del espectro difiere en un factor de 2

1.4 Superposición de picos

Causas [1][3]:

• Muestra compleja (mezcla de múltiples componentes)
• Grupos funcionales cercanos (por ejemplo, diferentes C=O)
• Pico ancho que oculta picos estrechos

Manifestación típica [1][3]: Un único pico ancho que parece un pico pero en realidad son dos superpuestos

2. Corrección de línea base

La corrección de línea base es el primer paso en el procesamiento espectral, con el objetivo de eliminar la deriva de línea base que no es absorción de la muestra [1][3][5].

2.1 Naturaleza física de la deriva de línea base

Modelo de dispersión [1][3][4]:

$$A_{\text{measured}}(\nu) = A_{\text{sample}}(\nu) + A_{\text{baseline}}(\nu) + A_{\text{noise}}(\nu)$$

donde:

• $A_{\text{sample}}(\nu)$: Absorción pura de la muestra (parte deseada)
• $A_{\text{baseline}}(\nu)$: Deriva de línea base (parte a restar)
• $A_{\text{noise}}(\nu)$: Ruido

Dos formas principales de deriva de línea base [3][4]:

① Inclinación lineal (Linear Tilt):
$$A_{\text{baseline}}(\nu) = a \cdot \nu + b$$

• Causa: Dispersión de amplio rango (partículas), KBB no uniforme

② Curvatura (Curved):
$$A_{\text{baseline}}(\nu) = a \cdot \nu^2 + b \cdot \nu + c$$

• Causa: Dispersión Mie (partículas cercanas a la longitud de onda), cambio en el índice de refracción cerca de picos de absorción fuertes

2.2 Corrección de línea base por ajuste polinómico

Método [1][3][5]:

1. Seleccionar regiones "sin pico" en el espectro (puntos de línea base)
2. Ajustar un polinomio a esos puntos de línea base
3. Restar la curva ajustada del espectro original

Selección del orden del polinomio [3][5]:

Tabla 1: Guía para la selección del orden del polinomio (compilado de [3][5])

Consejos para selección manual de puntos de línea base [3][5]:

• Elegir regiones sin picos de absorción obvios (por ejemplo, 2200–2500 cm⁻¹ generalmente sin picos)
• Al menos 5–10 puntos, que cubran todo el espectro
• Evitar regiones de CO₂ (2350), vapor de agua (3400, 1640)

2.3 Algoritmo de Rubber Band

El algoritmo Rubber Band (banda elástica) es el método de corrección de línea base predeterminado en Bruker OPUS [5][6]:

Principio [5][6]:

1. Encontrar la "envolvente convexa" (convex hull) del espectro
2. Usar una "banda elástica" para tensar el espectro desde abajo
3. La banda elástica se ajusta automáticamente a los puntos más bajos
4. La curva de la banda elástica es la línea base

Ventajas [5][6]:

• Automatizado, sin necesidad de seleccionar puntos manualmente
• Apropiado para líneas base curvas complejas
• Pequeño impacto en la forma de los picos

Desventajas [5][6]:

• Puede confundir picos anchos (como O-H 3400) con línea base
• Requiere configurar el parámetro "Umbral de Rubber Band"

2.4 Otros métodos de corrección de línea base

① Mínimos cuadrados asimétricos (Asymmetric Least Squares, ALS) [5][7]

• Algoritmo moderno de corrección de línea base
• Insensible a picos anchos
• Adecuado para espectros complejos

② ModPoly [5]

• Ajuste polinómico iterativo
• Elimina automáticamente picos, solo mantiene la línea base

③ Línea base poligonal (Polygonal Baseline) [3]

• Línea base poligonal (selección manual de puntos)
• Flexible pero subjetivo

2.5 "Trampas" de la corrección de línea base

Trampa 1: Corrección excesiva [1][3][5]

• Orden polinómico demasiado alto → ajusta a la cima de los picos, "corta" la intensidad del pico
• Manifestación: Picos más estrechos y más bajos, distorsión cuantitativa

Trampa 2: Confundir picos anchos con línea base [5]

• Picos anchos (como O-H 3400, N-H 3300) pueden ser malinterpretados por Rubber Band como línea base
• Solución: Evitar regiones de picos anchos al seleccionar puntos manualmente

Trampa 3: No eliminar primero los picos de CO₂ [1][3]

• El doblete agudo a 2350 puede ser "excavado" por el polinomio creando picos falsos
• Solución: Usar primero la función de eliminación de CO₂

⚠️ Regla de oro de la corrección de línea base: Mirar primero el espectro original, entender la forma de la línea base antes de corregir. No aplicar algoritmos "con un solo clic" [1][3].

3. Suavizado

El suavizado (Smoothing) tiene como objetivo reducir el ruido de alta frecuencia y mejorar la SNR [1][2][3].

3.1 Naturaleza matemática del suavizado

Media móvil (el suavizado más simple) [3]:

$$A'(\nu_i) = \frac{1}{2m+1} \sum_{j=-m}^{m} A(\nu_{i+j})$$

donde $2m+1$ es el ancho de ventana. Por ejemplo, cuando $m=2$, cada punto se promedia con los 2 puntos anteriores y posteriores (5 puntos en total) [3].

Problemas [3]:

• El suavizado es un filtro paso bajo
• Se elimina el ruido (alta frecuencia)
• Pero los picos estrechos (¡también de alta frecuencia!) también se "suavizan"
• Los picos estrechos se vuelven más anchos y bajos

3.2 Filtro Savitzky-Golay

El filtro Savitzky-Golay (filtro SG) es el método de suavizado más común en espectroscopía infrarroja, propuesto por Savitzky y Golay en 1964 [3][8][9].

Principio [3][8][9]:

• Ajusta un polinomio dentro de la ventana
• Toma el valor del punto medio del polinomio como valor suavizado
• Equilibra suavizado y conservación de la forma

Dos parámetros clave [3][8][9]:

① Ancho de ventana (Window Size):

• Número impar: 5, 7, 9, 11, 13...
• Demasiado pequeño (5): efecto de suavizado limitado
• Demasiado grande (> 15): los picos se distorsionan severamente
• Recomendado: 9 o 11

② Orden del polinomio (Polynomial Order):

• 2 (cuadrático): recomendado por defecto
• 3–4: mejor conservación de la forma, pero peor suavizado
• Recomendado: 2 o 3

Fórmula del filtro SG [3][8]:

$$A'(\nu_i) = \sum_{j=-m}^{m} c_j \cdot A(\nu_{i+j})$$

donde $c_j$ son los coeficientes de convolución SG, determinados por el orden del polinomio y el ancho de ventana [3][8].

3.3 Comparación de efectos de suavizado

Espectro original (alto ruido):

Absorbancia
0.5│   ··  ··  ···  ··  ···  ··  ← ruido alto
0.3│   ··  ··  ···  ··  ···  ··  
0.1│   ··  ··  ···  ··  ···  ··  
0.0│────────────────────────────→ ν

Después de suavizado SG (ventana 9, orden 2):

Absorbancia
0.5│      ▓▓       ▓▓▓           
0.3│   ▓▓  ▓▓  ▓▓  ▓▓▓  ▓▓▓     
0.1│   ▓▓  ▓▓  ▓▓  ▓▓▓  ▓▓▓     
0.0│────────────────────────────→ ν
   ← Ruido reducido significativamente, forma del pico conservada →

Suavizado excesivo (ventana 21, orden 2):

Absorbancia
0.5│        ▓                    
0.3│        ▓▓   ▓              
0.1│   ▓▓▓▓▓▓▓▓▓▓▓▓▓▓           
0.0│────────────────────────────→ ν
   ← Picos más bajos y anchos, picos pequeños desaparecen →

Figura 2: Comparación de espectros con diferentes parámetros de suavizado

3.4 Riesgos del suavizado: creación de "picos falsos"

Oscilaciones de Sinc (fenómeno de Gibbs) [3][5]:

• En los bordes de picos fuertes, el suavizado excesivo produce oscilaciones "fantasma"
• Parecen picos pequeños reales, pero son artefactos matemáticos

Método de identificación [3][5]:

• Pico real: posición estable, ancho razonable
• Pico falso: posición en el borde del pico fuerte ±20 cm⁻¹, ancho anormalmente estrecho

Contramedidas [3][5]:

• No suavizar en exceso (ventana < 15)
• Comparar antes y después del suavizado para confirmar que la posición del pico no cambia
• Usar orden SG ≥ 2 para evitar deformación excesiva

3.5 Alternativa: aumentar el número de barridos

Principio importante [1][3]: El suavizado es un "remedio posterior", mejor "prevención previa". Si la SNR del espectro es pobre, priorice aumentar el número de barridos en lugar de suavizar en exceso.

Tabla 2: Comparación de métodos de mejora de SNR (basado en [1][3])

💡 Consejo profesional: Aumente el número de barridos hasta que la SNR supere 1000:1 antes de considerar el suavizado. Si la SNR ya es suficiente, no suavice por "estética" [1][3].

4. Normalización

La normalización tiene como objetivo hacer que los espectros sean "comparables" — espectros de diferentes muestras, diferentes momentos y diferentes condiciones pueden eliminar diferencias de intensidad mediante la normalización [1][3].

4.1 Normalización por máximo

Método [3][5]:

1. Encontrar la absorbancia del pico más fuerte $A_{\text{max}}$
2. Dividir todos los puntos de datos por $A_{\text{max}}$

$$A'(\nu) = \frac{A(\nu)}{A_{\text{max}}}$$

Ventajas [3]:

• Simple
• Conveniente para comparación visual

Desventajas [3]:

• El pico más fuerte puede no ser un pico de referencia significativo
• El "pico más fuerte" puede diferir entre muestras, la base de normalización no es consistente

4.2 Normalización por área del pico

Método [3][5]:

1. Calcular el área total integrada del espectro
   $$S = \int A(\nu) \, d\nu$$
2. Dividir todos los puntos de datos por $S$
   $$A'(\nu) = \frac{A(\nu)}{S}$$

Ventajas [3]:

• No se ve afectada por fluctuaciones de un solo pico
• Adecuada para comparación de múltiples componentes

Desventajas [3]:

• Muy afectada por la línea base (línea base alta, área artificialmente alta)
• Requiere corrección de línea base previa

4.3 Normalización por estándar interno

Método [3][5]:

1. Agregar una cantidad conocida de estándar interno (por ejemplo, KSCN a 2050 cm⁻¹)
2. Normalizar usando la intensidad del pico del estándar interno
   $$A'(\nu) = \frac{A(\nu)}{A_{\text{estándar}}}$$

Ventajas [3][5]:

• Estándar de oro para análisis cuantitativo
• Elimina errores de preparación de muestra (como el grosor de la pastilla de KBr)

Desventajas [3]:

• Requiere un estándar interno
• El pico del estándar interno no debe superponerse con los picos de la muestra

4.4 Corrección ATR (una forma de normalización)

La corrección ATR es esencialmente una normalización dependiente del número de onda, destinada a eliminar las diferencias morfológicas entre el espectro ATR y el espectro de transmitancia [3][5][10].

Principio [3][10]:

En el espectro ATR, la intensidad del pico es proporcional a la profundidad de penetración $d_p \propto \lambda \propto 1/\nu$:

$$A_{\text{ATR}}(\nu) \propto \frac{1}{\nu}$$

Fórmula de corrección [3][10]:

$$A_{\text{corregido}}(\nu) = A_{\text{ATR}}(\nu) \cdot \nu \cdot \frac{\nu_{\text{ref}}}{\nu_{\text{ref}}} = A_{\text{ATR}}(\nu) \cdot \nu$$

El algoritmo real también incluye corrección del índice de refracción (elimina el desplazamiento del pico debido a la dispersión anómala) [3][10].

Efecto de la corrección [3][10]:

Tabla 3: Relación de intensidad antes y después de la corrección ATR con respecto al espectro de transmitancia (datos de poliestireno según [3][10])

Después de la corrección, todas las relaciones de intensidad de pico se acercan a 1.0, básicamente consistentes con el espectro de transmitancia [3][10].

🔗 Extensión: Consulte las posiciones detalladas de los picos de poliestireno y C-H alquílico en la página del grupo funcional C-H alquílico de ftir.fun.

4.5 Escenarios de aplicación de la normalización

| Análisis multicomponente | Normalización del área del pico |
| Cuantificación por pastilla de KBr | Normalización del estándar interno (KSCN) |
| Comparación ATR vs Transmisión | Corrección ATR |
| Monitoreo de series temporales | Estándar interno o parámetros fijos |

Tabla 4: Escenarios de aplicación de métodos de normalización (compilado de [1][3][5])

V. Derivada

La derivada (Derivative) es una herramienta poderosa para resolver picos superpuestos [1][3][11].

5.1 Espectro de primera derivada

Primera derivada [3][11]:

$$D_1(\nu) = \frac{dA(\nu)}{d\nu}$$

Propiedades [3][11]:

• Un pico en el espectro original → "punto de cruce por cero" en la primera derivada
• Un "hombro" en el espectro original → un "pico" en la primera derivada
• La primera derivada cruza cero en la posición del pico original, con el valor positivo máximo a la izquierda y el negativo máximo a la derecha

Ventajas [3][11]:

• Elimina completamente líneas base constantes
• Elimina líneas base con inclinación lineal
• Mejora la visibilidad de "hombros"

Aplicaciones [3][11]:

• Buscar picos ocultos
• Determinar con precisión la posición de los picos (punto de cruce por cero)

5.2 Espectro de segunda derivada

Segunda derivada [3][11]:

$$D_2(\nu) = \frac{d^2A(\nu)}{d\nu^2}$$

Propiedades [3][11]:

• Un pico en el espectro original → un "pico negativo" en la segunda derivada
• Picos superpuestos en el espectro original → múltiples picos negativos separados en la segunda derivada
• Más sensible a cambios en la forma del pico que la primera derivada

Ventajas [3][11]:

• Resolución de picos superpuestos: los picos estrechos bajo un pico ancho pueden "aparecer"
• Elimina líneas base y pendientes lineales (más a fondo)
• Mejora la identificación de "hombros"

Ejemplo: Análisis de la banda amida I de proteínas [11][12]

• 1650–1700 cm⁻¹ múltiples picos de estructura secundaria superpuestos (α-hélice, lámina β, giro)
• Espectro original: un pico ancho, sin detalles
• Segunda derivada: múltiples picos negativos separados, correspondientes a diferentes estructuras secundarias

5.3 Derivada Savitzky-Golay

La derivación numérica directa amplifica el ruido [3][11]. La derivada Savitzky-Golay combina suavizado y derivación:

Principio [3][8][11]:

• Ajusta un polinomio dentro de una ventana
• Deriva directamente el polinomio
• Suaviza y deriva simultáneamente, amigable con la SNR

Parámetros [3][11]:

• Ancho de ventana: 9–15
• Orden del polinomio: 2–4
• Orden de la derivada: 1 o 2

5.4 Riesgos de la derivación

① Amplificación de ruido [3][11]

• Las derivadas son sensibles al ruido de alta frecuencia
• Debe utilizarse derivación SG, no derivación numérica directa

② Picos falsos [3][11]

• Aparecen "oscilaciones de derivada" en los bordes de los picos originales
• Simulan picos pequeños, pero son artefactos matemáticos
• Estrategia: comparar primera y segunda derivadas para identificar picos reales

③ Dificultad en la interpretación de intensidades [3][11]

• La intensidad de los picos derivados no corresponde directamente a la intensidad de los picos originales
• No se debe usar la altura de los picos derivados para cuantificación (la relación de alturas puede invertirse)

⚠️ Regla de oro de la derivación: La derivación es una "herramienta de identificación" no una "herramienta de cuantificación". Se usa para encontrar picos, no para cuantificar [3][11].

VI. Otros procesamientos comunes

6.1 Sustracción de CO₂

El doblete de CO₂ a 2350 cm⁻¹ a menudo queda residual debido a cambios en la concentración de CO₂ entre el fondo y la muestra [1][3].

Método de sustracción [3]:

• Función "Eliminación de CO₂" del software
• Ajustar los datos cerca de 2350 al espectro estándar de CO₂ y sustraer el residual
• Sustraer también la banda de flexión de CO₂ cerca de 667 cm⁻¹

6.2 Sustracción de vapor de agua

Similar a la sustracción de CO₂ [1][3]:

• El software ajusta el espectro estándar de vapor de agua
• Sustrae residuos de picos de agua en 3400, 1640, etc.
• Adecuado para absorción de humedad en KBr o cambios en la humedad ambiental

6.3 Truncamiento

Truncamiento (Truncation): eliminar datos ruidosos en los extremos del espectro [3]:

• Por ejemplo, truncar 4000–400 cm⁻¹ a 3800–450 cm⁻¹
• Eliminar artefactos en los bordes

6.4 Detección de picos

Algoritmos de detección de picos [3][11]:

• Método de umbral (absorbancia > cierto valor se considera pico)
• Método de segunda derivada (puntos de mínimo en D2)
• Método de curvatura

Salida: posición del pico, altura del pico, área del pico, ancho medio del pico

VII. Flujo de procesamiento: del original al producto final

7.1 Flujo de procesamiento estándar

Espectro original
   │
   ▼
1. Verificar calidad del espectro
   │ ¿SNR > 1000:1?
   │ ¿Pico principal 0.3–1.5?
   │ ¿Pico de agua < 0.05?
   │ ¿Pico de CO₂ < 0.05?
   │
   ├─ No conforme → Readquirir espectro (más escaneos, cambiar parámetros)
   │
   ▼ Conforme
2. Exportar datos (guardar datos originales por separado)
   │
   ▼
3. Sustracción de CO₂ (si hay residual)
   │
   ▼
4. Sustracción de vapor de agua (si hay residual)
   │
   ▼
5. Corrección de línea base
   │ Elegir algoritmo (polinomial / Rubber band / ALS)
   │ Seleccionar puntos de línea base (manual o automático)
   │ Aplicar y verificar forma del pico
   │
   ▼
6. Suavizado (si es necesario)
   │ Ventana SG 9–11, orden 2
   │ Aplicar y comparar posición del pico
   │
   ▼
7. Corrección ATR (si son datos ATR)
   │
   ▼
8. Normalización (si se necesita comparación)
   │ Máximo / Área del pico / Estándar interno
   │
   ▼
9. Derivada (si se requiere resolver picos superpuestos)
   │ SG segunda derivada
   │
   ▼
10. Guardar parámetros de procesamiento (junto con los datos originales)
    │
    ▼
Procesamiento completado

Figura 3: Diagrama de flujo de procesamiento estándar de espectros (compilado de [1][3][5])

7.2 Principio de "honestidad" antes del procesamiento

Principios clave [1][3]:

• Siempre conservar los datos originales (no sobrescribir archivos originales)
• Los parámetros de procesamiento deben ser rastreables (guardar historial de procesamiento)
• Evitar "procesar para que se vea bien" (el procesamiento debe basarse en necesidades analíticas)
• Exportar parámetros de procesamiento (para que otros puedan reproducir)

7.3 Verificación de "honestidad" después del procesamiento

Verificar si el procesamiento es razonable [1][3][5]:

• Comparar el espectro antes y después del procesamiento, ¿coinciden las posiciones de los picos?
• ¿El ancho del pico después del procesamiento es razonable? (no anormalmente estrecho)
• ¿Aparecen "nuevos picos"? (picos falsos introducidos por el procesamiento)
• ¿El gráfico de segunda derivada es razonable? (sin oscilaciones excesivas)

⚠️ Advertencia sobre procesamiento deshonesto: Al mostrar espectros en artículos o informes, se deben indicar los parámetros de procesamiento y cómo se obtuvieron los datos originales. Ocultar los pasos de procesamiento es una práctica no científica [1][3].

VIII. Casos típicos de procesamiento

Caso A: Procesamiento de espectro de polímero en pastilla de KBr

Problemas del espectro original [1][3]:

• Línea base inclinada (alta en número de onda alto, baja en número de onda bajo)
• Pico de agua a 3400
• Doblete de CO₂ a 2350
• Ruido moderado (SNR ≈ 500:1)

Pasos de procesamiento [1][3]:

1. Verificar espectro original → pico principal 0.8, SNR 500 → utilizable pero necesita procesamiento
2. Sustracción de CO₂ → desaparece el doblete a 2350
3. Sustracción de vapor de agua → reducción en 3400, 1640
4. Corrección de línea base (Rubber Band) → línea base plana
5. Suavizado SG (ventana 9, orden 2) → SNR mejorada a 1500:1
6. Corrección ATR → no necesario (datos de transmisión)
7. Normalización al máximo → pico principal normalizado a 1.0

Resultado: espectro claro y comparable, utilizable para identificación cualitativa y búsqueda en bibliotecas

Caso B: Procesamiento de espectro ATR de proteínas

Problemas del espectro original [3][11]:

• Amida I (1600–1700) un pico ancho, sin detalles de estructura secundaria
• Fondo de solución acuosa, fuerte interferencia de pico de agua
• Datos ATR, morfología diferente de la biblioteca de transmisión

Pasos de procesamiento [3][11]:

1. Sustracción de agua (usando fondo de agua pura) → reducción del pico de agua
2. Corrección de línea base (puntos seleccionados manualmente, evitando picos de amida)
3. Suavizado SG (ventana 11, orden 3) → mejora de SNR
4. Corrección ATR → morfología consistente con biblioteca de transmisión
5. Segunda derivada SG (ventana 11, orden 3, segunda derivada) → la banda amida I se separa en múltiples picos negativos

Resultado: se separan picos de α-hélice (1656), lámina β (1632, 1685), giro (1670), etc. [11][12]

Caso C: Procesamiento de espectro para análisis cuantitativo

Objetivo: cuantificar el contenido de un componente en una pastilla de KBr

Puntos clave del procesamiento [1][3][5]:

• No suavizar (evitar distorsión de altura del pico)
• No normalizar (excepto normalización con estándar interno)
• Corrección de línea base: seleccionar puntos de línea base manualmente, orden polinomial 2
• Cálculo de área del pico: en un intervalo de integración fijo (por ejemplo, 1750–1700 cm⁻¹)
• Área del pico del estándar interno: para eliminar errores de espesor de la pastilla

Clave [5]: El análisis cuantitativo debe fijar estrictamente el flujo de procesamiento, con los mismos parámetros cada vez. Cualquier cambio afecta los resultados cuantitativos.

Nueve, Advertencia sobre el sobreprocesamiento

9.1 Nacimiento de "picos falsos"

Caso: Un novato aplica secuencialmente a un espectro con mala SNR:

1. Suavizado fuerte (ventana 25)
2. Línea base polinómica (orden 6)
3. Segunda derivada

Resultado [3][5]:

• El espectro se ve "limpio"
• Pero aparecen picos pequeños que originalmente no existían
• Estos picos pequeños son artefactos matemáticos

Método de determinación [3][5]:

• Repetir la medición con datos de mayor calidad
• Los picos reales se repiten
• Los picos falsos se "desvían" con cambios en los parámetros de procesamiento

9.2 El costo del "embellecimiento"

El procesamiento de espectros es similar a una "cámara de embellecimiento" [1][3]:

• Procesamiento moderado → espectro claro y legible
• Sobreprocesamiento → se ve bonito pero distorsionado

Síntomas comunes de sobreprocesamiento [1][3][5]:

• Picos anormalmente estrechos (ancho medio < 5 cm⁻¹)
• Aparecen "picos puntiagudos" (posibles oscilaciones sinc)
• La línea base tiene "huecos" (orden polinómico demasiado alto)
• El gráfico de segunda derivada "solo tiene picos" (amplificación de ruido)

9.3 Procesamiento "sustractivo"

En lugar de "sumar" procesamiento, es mejor "restar" operaciones [1][3]:

Principio de sustracción:

• En lugar de suavizar, mejor aumentar el número de escaneos
• En lugar de una corrección de línea base de alto orden, mejor volver a medir el fondo
• En lugar de normalizar, mejor usar un estándar interno
• En lugar de usar derivadas para identificar picos, mejor usar una resolución más alta

Prioridad [1][3]:

1. Mejorar la medición (parámetros, preparación) → primera opción
2. Procesamiento mínimo necesario (línea base, suavizado) → segunda opción
3. Procesamiento avanzado (derivadas, normalización) → solo cuando sea necesario

Diez, Comparación de herramientas de software

10.1 Software comercial

① Thermo OMNIC [1][4]

• Incluye línea base, suavizado, normalización, corrección ATR
• Simple y fácil de usar, buena visualización
• Adecuado para análisis de rutina

② Bruker OPUS [5][6]

• Algoritmo Rubber Band
• Potentes funciones de derivada
• Detección automática de picos

③ PerkinElmer Spectrum

• Similar a OMNIC
• Adecuado para usuarios de PerkinElmer

④ Thermo TQ Analyst

• Diseñado para análisis cuantitativo
• Soporta estadística multivariante

10.2 Herramientas de código abierto

① Python (NumPy + SciPy) [3]

• Completamente controlable
• Adecuado para investigación, algoritmos personalizados
• Curva de aprendizaje pronunciada

Código de ejemplo:

import numpy as np
from scipy.signal import savgol_filter

# Suavizado Savitzky-Golay
smoothed = savgol_filter(spectrum, window_length=9, polyorder=2)

# Segunda derivada
d2 = savgol_filter(spectrum, window_length=11, polyorder=3, deriv=2)

② R (paquete hyperSpec)

• Fuerte en análisis estadístico
• Adecuado para quimiometría

③ GNU Octave

• Alternativa a MATLAB
• Gratuito

④ Orange3

• Programación visual
• Adecuado para no programadores

Figuras (esquemas clave de esta sección)

📷 Figura 4: Flujo de procesamiento de espectros
Fuente: diagrama educativo de ftir.fun (con marca de agua; no es un espectro real, solo para comprender conceptos)

📷 Figura 5: Concepto de búsqueda en biblioteca
Fuente: diagrama educativo de ftir.fun (con marca de agua; no es un espectro real, solo para comprender conceptos)

📷 Figura 6: Esquema de cuantificación de Lambert-Beer
Fuente: diagrama educativo de ftir.fun (con marca de agua; no es un espectro real, solo para comprender conceptos)

Resumen de esta sección

Preguntas de reflexión

1. Tienes un espectro con SNR = 200:1, los picos principales son claramente visibles, pero los picos pequeños están ocultos por el ruido. Diseña un flujo de procesamiento para aumentar la SNR sin distorsionar la forma de los picos. Si se opta por mejorar la operación instrumental, ¿qué se debe priorizar?

2. En el espectro ATR de una misma muestra de poliestireno, el pico a 698 cm⁻¹ es mucho más intenso que el de 3082 cm⁻¹. Escribe la fórmula matemática de la corrección ATR y explica por qué después de la corrección ambas intensidades se aproximan a las del espectro de transmitancia.

3. Sospechas que un "pico único" a 1700 cm⁻¹ en un espectro es en realidad dos picos superpuestos. Diseña un flujo de verificación utilizando el método de segunda derivada para distinguir los picos. ¿Cómo diferenciar entre picos reales y artefactos matemáticos?

4. En una tarea de análisis cuantitativo, se necesita medir la intensidad del pico C=O a 1740 cm⁻¹. Explica por qué no se debe realizar suavizado ni normalización por área de pico antes de la cuantificación. ¿Cómo se debe procesar el espectro?

5. Escribe un código en Python que, para un espectro infrarrojo en formato CSV (dos columnas: número de onda, absorbancia), realice secuencialmente: corrección de línea base (lineal), suavizado Savitzky-Golay (ventana 9, orden 2), y normalización al máximo. Explica el principio de cada paso.

Referencias

[1] Griffiths P R, de Haseth J A. Fourier Transform Infrared Spectrometry. 2nd ed. Wiley, 2007. Chapter 9–10. ISBN: 978-0-471-19404-0.

[2] Smith B C. Quantitative Spectroscopy: Theory and Practice. Elsevier, 2002. ISBN: 978-0444511246.

[3] Smith B C. Fundamentals of Fourier Transform Infrared Spectroscopy. 2nd ed. CRC Press, 2011. Chapter 7–8. ISBN: 978-1420069297.

[4] Korte E H, Schrader B. Infrared and Raman Spectroscopy: Methods and Applications. VCH, 1995. Chapter 6.

[5] Bruker Optics. "OPUS Spectroscopy Software: Spectral Processing Manual."
https://www.bruker.com/en/pro…

[6] Liland K H, Rukke E H, Olsen E F, et al. "Customized Baseline Correction." Applied Spectroscopy, 2011, 65(8): 907–915. DOI:10.1366/10-06124.

[7] Eilers P H C, Boelens H F M. "Baseline Correction with Asymmetric Least Squares Smoothing." Leiden University Medical Centre Report, 2005.

[8] Savitzky A, Golay M J E. "Smoothing and Differentiation of Data by Simplified Least Squares Procedures." Analytical Chemistry, 1964, 36(8): 1627–1639. DOI:10.1021/ac60214a047.

[9] Steinier J, Termonia Y, Deltour J. "Smoothing and Differentiation of Data by Simplified Least Squares Procedure." Analytical Chemistry, 1972, 44(11): 1906–1909. DOI:10.1021/ac60319a045.

[10] Thermo Fisher Scientific. "ATR Correction Algorithm." Nicolet FTIR Application Note AN-011.
https://www.thermofisher.com/…

[11] Olinger J M, Griffiths P R. "Quantitative Effects of Finite Bandwidth on the Resolution and Shape of Infrared Bands." Analytical Chemistry, 1990, 62(8): 821–825. DOI:10.1021/ac00207a007.

[12] Byler D M, Susi H. "Examination of the Secondary Structure of Proteins by Deconvolved FTIR Spectra." Biopolymers, 1986, 25(3): 469–487. DOI:10.1002/bip.360250307.

[13] ftir.fun. "Infrared Functional Group Database."
https://ftir.fun/ir/group/alk…

Próximo episodio: Ep 19 — Introducción al Análisis Cualitativo: Búsqueda en Bibliotecas y Coincidencia
Entraremos en el núcleo del análisis de espectroscopia infrarroja: el análisis cualitativo. Explicaremos la composición de las bibliotecas espectrales comerciales (Sadtler, Aldrich, Hummel), los algoritmos de búsqueda principales (coeficiente de correlación, diferencia absoluta, coincidencia de primera derivada), el significado del valor HQI, estrategias de búsqueda de mezclas, y la importancia y métodos para construir bibliotecas propias. También enfatizaremos el riesgo de error al "depender completamente de la búsqueda en bibliotecas".

Este artículo está bajo licencia CC BY-NC-SA 4.0. Las imágenes provienen del dominio público o de recursos web con fuente indicada, derechos de autor pertenecen a sus respectivos autores.